Interventions to reduce losses in the cascade of care for latent tuberculosis: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Losses can occur throughout the latent tuberculosis infection (LTBI) cascade of care. This can result in suboptimal rates of effective treatment for LTBI. We conducted a systematic review and meta-analysis to estimate the effect of different interventions to reduce losses in the LTBI cascade before treatment completion. METHODS: We searched several databases for articles reporting outcomes for interventions designed to strengthen the LTBI cascade. We included papers published in English from January 1990 until February 2018. Where possible, estimates were pooled using random-effects meta-analysis. RESULTS: We identified 30 studies that evaluated 32 different interventions aimed at reducing losses in the LTBI cascade. In pooled analysis, interventions that improved completion of cascade steps included patient incentives (respectively 42 [95% CI 34–51] and 48 [95% CI 15–81] additional patients completing initial assessment and medical evaluation per 100 starting); health care worker education (28 [95% CI 4–52] additional patients initiating initial assessment per 100 identified; home visits (additional 13 [95% CI 4–21] patients completing initial assessment per 100 starting); digital solutions (additional 11 [95% CI 4–21] patients initiating initial assessment per 100 identified); and patient reminders (additional 7 [95% CI 0.3–13] patients completing initial assessment per 100 starting). Several other interventions reduced losses at specific cascade steps, but evidence for these interventions came from single studies and could not be pooled. CONCLUSIONS: Although there is limited evidence that any single intervention significantly improves the LTBI cascade, many studies provide information about effective ways to strengthen it.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».